【读论文】Supervised spatial classification of multispectral LiDAR data in urban areas(2018)
读论文
阅读论文
阅读论文
城市地区多光谱激光雷达数据的监督空间分类
Lian-Zhi，Huo，Carlos
DOI:10.1371/journal.pone.0206185
文章目录
- 摘要：
- Conclusion:
-
- What is the core content of this research?
-
- What are the main innovative points of this study?
-
- What methods were employed in this research?
-
- What conclusions were drawn from this study?
摘要：
多光谱LiDAR数据最初应用于土地覆盖分类。然而，尽管存在较高的分类不确定性，但这一问题在城市地区尤为突出，因为物体往往难以单独区分。本研究探讨了将先进的统计方法与多光谱LiDAR数据中提取的LiDAR指标相结合，以提高城市地区土地覆盖分类精度的可能性。研究区位于加拿大安大略省奥沙瓦的安大略湖岸线上。多光谱Optech Titan LiDAR数据于2014年9月3日在3平方公里的单一带上获取。研究中提取了1,550 nm (C1)、1,064 nm (C2) 和 532 nm (C3) 波段的LiDAR强度数据、归一化数字表面模型 (nDSM)、伪归一化差异植被指数 (PseudoNDVI)、形态剖面 (MP) 以及一种新的分层形态学特征（HMP），这些数据作为分类特征。在分类阶段，应用了基于径向基函数（RBF）内核的支持向量机分类器，其中最佳参数通过网格搜索程序确定。研究发现，结合强度、PseudoNDVI、nDSM 和 HMP 的特征组合能够实现最佳的土地覆盖分类，分类准确率达到93.28%。
结论：
在本研究中，我们对尖端激光雷达传感器、多光谱Optech Titan和先进的建模衍生工具在城市地区土地覆盖分类能力进行了考察。具体而言，我们仅关注了基于激光雷达数据（即强度数据和nDSM数据）的栅格产品，并从强度数据中提取了MP特征。为了在保持垂直结构信息的同时有效提取多光谱激光雷达强度数据的空间特征，我们提出了一种新的层次形态轮廓特征表达方式。研究结果表明，MP特征有助于在城市地区实现空间一致的土地覆盖分类。此外，在多光谱激光雷达数据的不同特征中，我们提出的新HMP特征表现最为突出。通过采用IMEAN+伪NDVI+nDSM+HMP的最佳测试模型，我们在城市地区实现了四类土地覆盖分类的总体准确率达到93.28%。研究结果表明，基于三波段激光雷达强度合成图像的空间特征提取方法显著提升了分类效果。未来研究可能进一步探索适用于多光谱激光雷达数据的光谱空间分类方法，并可能直接对点云数据进行分类（即考虑几何特征），这对特征提取方法提出了新的挑战。
1.该论文研究了什么？
研究团队进行了调查，评估了将先进的统计方法与源自多光谱 LiDAR 数据的 LiDAR 指标相结合以提高城市地区土地覆盖分类精度的效率。研究区域位于加拿大安大略省奥沙瓦的安大略湖海岸线上。研究团队使用了多通道的多光谱 Optech Titan LiDAR 数据，包括 1,550 nm (C1)、1,064 nm (C2) 和 532 nm (C3)，并提取了 LiDAR 强度数据、归一化数字表面模型 (nDSM)、伪归一化差异植被指数 (PseudoNDVI)、形态剖面 (MP) 和一种新的分层形态学特征（HMP），这些特征被用于分类任务。
2.创新点在哪？
形态剖面（MP）表现出良好的特性，这得益于其对不同土地覆盖类型空间关系的精准识别能力。传统主成分分析方法主要针对多光谱或高光谱图像的特征图（通常仅考虑前几个主成分）进行分析处理。在实际应用中，该方法假设图像数据在垂直分布上具有一致性；例如，形态学操作仅关注局部空间邻域的像素，而未充分考虑邻域像素是否属于不同土地覆盖类别。
采用综合运用强度、pseudoNDVI、nDSM 和 HMP 四个指标的组合向量，基于SVM算法的分类模型实现了对土地覆盖类型的精准识别，最终获得了最优的土地覆盖分类结果，分类精度达到93.28%。
3.研究方法是什么？
首先，我们对多光谱数据进行了相对辐射定标。随后，我们通过lastools[49]对激光雷达生成的点云进行标准化处理，使其表示地面高度，并生成了包括平均强度（IMEAN）、归一化数字地表模型（nDSM）和伪归一化差异植被指数（伪NDVI）在内的三种产品，这些产品将被用于土地覆盖分类。接着，我们根据强度图像，手动划分了四个主要类别：建筑、草地、道路（包括停车场）和树木，这些类别涵盖了城市和郊区最典型的土地覆盖类型。最后，我们首先简要介绍了形态轮廓（MP）[44]，然后提出了新的层次形态轮廓（HMP）。
在分类任务中，多种方法可用于特征组合，例如复合核[51]和多核学习方法[52]。然而，叠加向量法作为一种直接且简单的方法，它利用多个特征。鉴于研究的主要目标是评估空间特征在多光谱激光雷达强度图像分类中的有效性，我们选择直接叠加矢量方法来融合不同特征。
对支持向量机分类器应用不同的特征组合策略，所有模型均使用径向基函数（RBF）核。通过网格搜索程序确定正则化参数C的值和RBF核的伽马值，并在预设的范围内进行五次交叉验证实验，实验范围设定为{10−5,10−4,10−3,104,105}。分类准确度通过总体准确度（OA，%）、Kappa统计量（K）以及分类准确度等指标进行评估。
4.得到的结论是什么？
基于三波段强度图像的分类性能表现尚可，准确率达到74.66%。然而，提取的辅助特征在提高分类精度方面具有显著价值。相较于强度图像，伪NDVI、nDSM、MP和HMP的分类精度分别提升了0.37%、12.12%、7.65%和18.14%。通过将强度图像与伪NDVI、nDSM和HMP特征相结合，整体分类精度提升至18.62%。
基于强度图像分析的结果表明，由于各类别间的混淆现象较为显著，1类（道路）和2类（建筑）的分类准确率（分别为76.66%和42.42%）均显著低于其他类别。这一现象在混淆矩阵表3中得到了具体体现。
利用多源遥感数据进行城市地形分类研究，我们发现多光谱激光雷达技术能够有效捕捉地物光谱特征，其在城市区域分类中的应用潜力得到了充分的体现。
通过引入伪NDVI和DSM/nDSM特征，研究取得了提升分类精度的成果[34,37,56-58]。与现有研究一致，本研究通过引入伪NDVI和nDSM特征，进一步验证了多光谱激光雷达强度图像分类精度的提升。
本研究进一步实证研究表明，相较于仅依赖多光谱激光雷达强度数据的方案，加入空间特征（MP和建议的HMP）在提升分类精度方面具有显著优势；具体而言，道路和建筑类物体在本研究案例中展现出最大的分类提升效果。
[1] Lian-Zhi, Huo, Carlos et al. conducted supervised spatial classification of multispectral LiDAR data in urban areas. Published in Plos One in 2018.